python集成开发软件_2017年排名前15的数据科学python库

部落（）组织翻译、转载禁止，欢迎转发。

近年来，数据科学领域展现出巨大的生命力。在这里，我们根据实践经验列出了一些数据科学家和工程师最常用的库。

核心库

1、NumPy的

当我们将其用于科学计算任务时，我们不可避免地需要 SciPy Stack 的帮助。SciPy Stack 是一个专为科学计算设计的软件包，因此请注意不要将其与 SciPy 库混淆，后者只是该软件包的一部分。让我们来看看这个包。通常这个包非常大，包含十几个库。但是，在这里我们将重点关注最核心的库，尤其是最基本的库。

NumPy（表示）是用于构建科学计算包的最基础库。它为中 n 维数组和矩阵运算提供了大量有用的功能。该库还支持 NumPy 数组类型的矢量化数学运算，可以提高计算性能并加快计算速度。

2、SciPy的

SciPy 是一个用于工程和科学计算的软件库。在这里，您需要了解 SciPy 堆栈和 SciPy 库之间的区别。SciPy 包含许多与线性代数、数学优化、积分和统计相关的模块。SciPy 库的主要功能是建立在 NumPy 之上的，因为它使用了大量的 NumPy 库。SciPy 通过其独特的子模块提供了许多用于数值积分、优化和其他方面的例程，这些子模块都有详细的功能描述。

三、

它是一个通过数据标签和数据之间的关系进行工作的库，其特点是简单性和直观性。它是数据分析的理想选择，在数据分析中，可以快速轻松地操作、集成和可视化数据。

让我们看一下这个库中的两个主要数据结构：

“”-1D数据结构

“数据”——二维数据结构

例如，当您想要将这两种数据结构混合为一个新数据结构时，原始数据结构将追加到原始数据结构中：

以下是一些可以轻松完成的事情的列表：

可视化

四、

它是 SciPy Stack 核心软件包中的另一个库，可以轻松生成简单而强大的数据可视化。在NumPy、SciPy和SciPy的基础上，是一个强大的工具包，可以与科学计算工具等形成强大的竞争力。唯一的缺点是库的级别相对较低，要实现高水平的数据可视化，必须付出更多的努力和编写更多的代码。不过，总的来说，值得一试。

以下是一些常用的可视化效果的列表：

当然，你也可以用它来创建标签、网格、图例等图形相关的操作，基本上一切都是可定制的。该库支持不同的平台，并使用相应的 GUI 套件在相应的平台下可视化结果。此外，还支持不同的 IDE（如）进行操作。还有许多其他库可以更轻松地可视化数据。

五、

它主要用于统计模块的可视化，例如，它可以用于显示热力图，以反映数据的整体分布。此外，该模块构建在顶部，并高度依赖它。

6、散景

另一个很好的可视化包是散景，它专注于交互式可视化。与前面描述的库不同，散景不依赖于它，并且可以编写脚本（d3.js）以在现代浏览器中渲染最终图形。

七、

最后，关于可视化包。它基于 WEB 工具箱来构建可视化效果，并且其开放的 API 接口支持多种编程语言，当然也包括。网站上有一些功能强大的开箱即用的图形，在使用它们时设置您的 API 密钥是个好主意，该密钥将在服务器端进行处理，并且可以发布到 ，也可以不发布。

机器学习

8、-学习

是 SciPy Stack 的附加包，专为图像处理和机器学习等特定功能而设计。对于机器学习，最突出的包是 -learn，它建立在 SciPy 之上，并大量使用了 SciPy 的数学运算。

-learn 为通用机器学习算法提供了一个简洁一致的界面，使将机器学习引入生产变得容易。这个库包含了很多高质量的代码和好的文档，非常好用，实际上可以说是学习机器学习的行业标准。

深度学习 - Keras//

说到深度学习，最突出、最方便的库是Keras，可以说是功能最顶端的。接下来，让我们来看看他们的一些细节。

九、

首先，像 NumPy 一样，它定义了多维数组，以及许多其他数学运算和表达式。该库经过编译，可以在各种架构上高效运行。它最初由蒙特利尔大学的机器学习小组开发，主要用于机器学习。

需要指出的一点是，它在底层操作方面与 NumPy 紧密集成。它还全面优化了 GPU 和 CPU 的使用，使其数据密集型计算速度更快。在效率和稳定性方面的优化使计算结果更精确甚至非常小的值成为可能。例如，在计算 log（1+x） 时，您可以给出 x 的最小值和最终结果。

十、

来自的开发团队是一个基于数据流图计算的开源库，它增强了机器学习，旨在满足环境对训练神经网络的高需求，可以看作是基于神经网络的机器学习系统的继任者。此外，它不仅用于科学计算，而且满足实际应用的要求。一个关键特性是其多层节点系统，它允许人工神经网络在大型数据集上快速训练。这为语音识别和图像对象识别提供了支持。

11、克拉斯

最后，让我们来看看Keras。Keras 是一个用于高级神经网络的开源库，以普通形式编写，具有易于理解的高级可扩展性。它被用作其后端，但 现在正在集成 CNTK （ 的认知工具包） 作为新的后端。Keras的极简主义设计方法旨在通过构建紧凑的系统来允许快速轻松地进行实验。

Keras 非常容易上手，并且在其原型上不断发展，使其具有高度模块化和可扩展性。尽管 Keras 轻巧、简单且模块化程度高，但它是构建复杂模型的强大工具。

自然语言处理

12、NLTK

NLTK 是 的缩写，顾名思义，它用于处理符号和统计自然语言处理的任务。NLTK旨在推动NLP及其相关领域（语言学、认知科学、人工智能等）的教学和研究，目前受到广泛关注。

NLTK 的功能允许许多操作，例如支持文本标记、分类、实体识别、构建语言树以显示句子中的依赖关系以及其他常见功能。所有的构建块都可以为不同的任务构建复杂的研究系统，如情感分析、自动摘要等。

十三、

是一个成熟的开源工具包，用于向量空间建模和主题建模。它不仅可以用于内存处理，还可以用于大型文本集。此外，通过使用 NumPy 和 SciPy 的数据结构，它极大地提高了执行性能，非常高效且易于使用。

设计用于原始非结构化数字文本。它实现了层次处理 （HDP）、潜在语义分析 （LSA） 和潜在赋值 （LDA） 等算法，以及 tf-idf、随机投影和一组用于检查文本中重复文本的文件（通常称为语料库）。这里的所有算法都是无监督的，不需要添加任何参数，唯一的输入是语料库。

数据挖掘与统计

十四、

是一个爬虫库（也称为蜘蛛机器人），用于从网络上检索结构化数据，例如联系信息或 URL。它是开源的，也是用它的名字编写和设计的。现在，它已经发展成为一个完整的框架，可以从 API 中提取数据并充当通用爬虫。

凭借其著名的设计原则“不复制代码”，提示用户重构将被重用的常见代码，这通常用于构建和扩展大型爬虫。该体系结构是围绕一个类构建的，该类包含一组用于爬网程序跟踪的指令。

15、

从名称可以看出，它是一个旨在允许用户使用各种统计模型挖掘和分析数据的库。实践中的许多有用特征都是描述性的，可以使用线性回归模型、广义线性模型、离散选择模型、鲁棒线性模型和时间序列分析模型对结果进行统计测量。该库还提供广泛的绘图功能，专门用于统计分析和大数据统计。

总结

这些库被许多数据科学家和工程师认为是数据学习不可或缺的，如果您不熟练使用它们，最好熟悉它们。

下表显示了这些库的活跃程度：

当然，这不是一个详尽的列表，还有许多其他好的库、工具包和框架值得学习。很高兴知道不同的包专注于不同的领域，例如专门用于图像处理的 -Image 库。

因此，如果您有一个运行良好的库，请在评论部分告诉我们的读者。感谢您的关注！

英文原文：

译者：房子是什么